1. Learning Latent Dynamics for Partially-Observed Chaotic Systems
- Author
-
Ananda Pascual, Duong Nguyen, Fabrice Collard, Lucas Drumetz, Ronan Fablet, Bertrand Chapron, Said Ouala, Lucile Gaultier, Département Signal et Communications (IMT Atlantique - SC), IMT Atlantique (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-Institut Mines-Télécom [Paris] (IMT), Lab-STICC_IMTA_CID_TOMS, Laboratoire des sciences et techniques de l'information, de la communication et de la connaissance (Lab-STICC), École Nationale d'Ingénieurs de Brest (ENIB)-Université de Bretagne Sud (UBS)-Université de Brest (UBO)-École Nationale Supérieure de Techniques Avancées Bretagne (ENSTA Bretagne)-Institut Mines-Télécom [Paris] (IMT)-Centre National de la Recherche Scientifique (CNRS)-Université Bretagne Loire (UBL)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-École Nationale d'Ingénieurs de Brest (ENIB)-Université de Bretagne Sud (UBS)-Université de Brest (UBO)-École Nationale Supérieure de Techniques Avancées Bretagne (ENSTA Bretagne)-Institut Mines-Télécom [Paris] (IMT)-Centre National de la Recherche Scientifique (CNRS)-Université Bretagne Loire (UBL)-IMT Atlantique (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT), Laboratoire d'Océanographie Physique et Spatiale (LOPS), Institut de Recherche pour le Développement (IRD)-Institut Français de Recherche pour l'Exploitation de la Mer (IFREMER)-Institut national des sciences de l'Univers (INSU - CNRS)-Université de Brest (UBO)-Centre National de la Recherche Scientifique (CNRS), Institut Mediterrani d'Estudis Avancats (IMEDEA), Consejo Superior de Investigaciones Científicas [Madrid] (CSIC)-Universidad de las Islas Baleares (UIB), OceanDataLab, Labex CominLabs, Région Bretagne, Centre National D'Etudes Spatiales (France), Microsoft, Ministère de l’Enseignement supérieur et de la Recherche (France), Conseil départemental du Finistère (Francia), Brest Métropole, Institut Mines-Télécom (France), Agence Nationale de la Recherche (France), IMT Atlantique Bretagne-Pays de la Loire (IMT Atlantique), École Nationale d'Ingénieurs de Brest (ENIB)-Université de Bretagne Sud (UBS)-Université de Brest (UBO)-École Nationale Supérieure de Techniques Avancées Bretagne (ENSTA Bretagne)-Institut Mines-Télécom [Paris] (IMT)-Centre National de la Recherche Scientifique (CNRS)-Université Bretagne Loire (UBL)-IMT Atlantique Bretagne-Pays de la Loire (IMT Atlantique), Institut Mines-Télécom [Paris] (IMT)-École Nationale d'Ingénieurs de Brest (ENIB)-Université de Bretagne Sud (UBS)-Université de Brest (UBO)-École Nationale Supérieure de Techniques Avancées Bretagne (ENSTA Bretagne)-Institut Mines-Télécom [Paris] (IMT)-Centre National de la Recherche Scientifique (CNRS)-Université Bretagne Loire (UBL)-IMT Atlantique Bretagne-Pays de la Loire (IMT Atlantique), and Institut de Recherche pour le Développement (IRD)-Institut Français de Recherche pour l'Exploitation de la Mer (IFREMER)-Université de Brest (UBO)-Centre National de la Recherche Scientifique (CNRS)
- Subjects
FOS: Computer and information sciences ,Computer Science - Machine Learning ,010504 meteorology & atmospheric sciences ,Dynamical systems theory ,Computer science ,[MATH.MATH-DS]Mathematics [math]/Dynamical Systems [math.DS] ,General Physics and Astronomy ,Machine Learning (stat.ML) ,Space (mathematics) ,01 natural sciences ,Machine Learning (cs.LG) ,[STAT.ML]Statistics [stat]/Machine Learning [stat.ML] ,Statistics - Machine Learning ,0103 physical sciences ,Applied mathematics ,Relevance (information retrieval) ,[MATH]Mathematics [math] ,010306 general physics ,Representation (mathematics) ,Mathematical Physics ,0105 earth and related environmental sciences ,Applied Mathematics ,Statistical and Nonlinear Physics ,Operator theory ,Identification (information) ,Ordinary differential equation ,Embedding - Abstract
This paper addresses the data-driven identification of latent representations of partially observed dynamical systems, i.e., dynamical systems for which some components are never observed, with an emphasis on forecasting applications and long-term asymptotic patterns. Whereas state-of-the-art data-driven approaches rely in general on delay embeddings and linear decompositions of the underlying operators, we introduce a framework based on the data-driven identification of an augmented state-space model using a neural-network-based representation. For a given training dataset, it amounts to jointly reconstructing the latent states and learning an ordinary differential equation representation in this space. Through numerical experiments, we demonstrate the relevance of the proposed framework with respect to state-of-the-art approaches in terms of short-term forecasting errors and long-term behavior. We further discuss how the proposed framework relates to the Koopman operator theory and Takens' embedding theorem., This work was supported by Labex Cominlabs (grant SEACS), Region Bretagne, CNES (grant OSTST-MANATEE), and Microsoft (AI EU Ocean awards) and by MESR, FEDER, Région Bretagne, Conseil Général du Finistère, Brest Métropole, and Institut Mines Télécom in the framework of the VIGISAT program managed by “Groupement Bretagne Télédétection,” CNES (grant OSTST-MANATEE), and ANR (Melody and OceaniX grants). It benefited from HPC and GPU resources from Azure (Microsoft EU Ocean awards) and from GENCI-IDRIS (Grant No. 2020-101030).
- Published
- 2020
- Full Text
- View/download PDF